پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,760 |
| تعداد مشاهده مقاله | 115,139,480 |
| تعداد دریافت فایل اصل مقاله | 89,902,096 |
مدلی هوشمند برای پیشبینی روند سهام با استفاده از روشهای تحلیل تکنیکال | ||
| تحقیقات مالی | ||
| مقاله 7، دوره 20، شماره 2، 1397، صفحه 249-264 اصل مقاله (423.53 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/frj.2018.233763.1006452 | ||
| نویسندگان | ||
| الهام افشاری راد1؛ سید عنایت اله علوی* 2؛ حسنعلی سینایی3 | ||
| 1دانشجوی کارشناسی ارشد، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| 2استادیار، دانشکده مهندسی،دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| 3دانشیار، مدیر گروه مدیریت دانشکده اقتصاد و علوم اجتماعی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
| چکیده | ||
| هدف: هدف این پژوهش پیشبینی روند با روشهای تحلیل تکنیکال پیشبینی سهام و روشهای هوشمند یادگیری ماشین است و برای پیش بینی بر روی شاخص کل کار میشود. روش: این پژوهش، شامل مراحلی است که در ادامه میآید: ابتدا دادههای مورد نیاز جمعآوری میشوند سپس به 25 روش تحلیل داده میشوند، سپس از میان این 25 روش ده روش با اولویت طبق روش انتخاب ویژگی کاهش ابعاد، انتخاب میشوند، خروجی این مرحله به پنج روش هوشمند یادگیری ماشین، ماشین بردار پشتیبان خطی، ماشین بردار پشتیبان کرنل گوسی، درخت تصمیم، نزدیکترین K همسایه و نئیو بیز داده میشود. سپس، برای تصمیمگیری نهایی از روش رأی اکثریت استفاده شده است. یافتهها: در نهایت این نتیجه حاصل شد که روش پیشنهادی بهطور متوسط نرخ پیشبینی صحیح 97 درصد دارد. نتیجهگیری: مزایای روش پیشنهادی به این شرح است: روش پیشنهادی در استفاده از روشهای تحلیل تکنیکال محدودیتی ندارد. روش انتخاب ویژگی بر روی روشهای تحلیل تکنیکال اعمال شده و روشهای تحلیل تکنیکال با اولویت انتخاب شدهاند. | ||
| کلیدواژه‌ها | ||
| پیشبینی شاخص کل؛ تحلیل تکنیکال؛ روشهای هوشمند یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Developing an Intelligent Model to Predict Stock Trend Using the Technical Analysis | ||
| نویسندگان [English] | ||
| Elham Afsharirad1؛ Seyed Enayatallah Alavi2؛ Hassanali Sinaei3 | ||
| 1M.Sc. student, Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 2Assistant Prof., Faculty of Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 3Head of the Management Department at Faculty of Economics & Social Sciences, Shahid Chamran University of Ahvaz. Ahvaz, Iran | ||
| چکیده [English] | ||
| Objective: The aim of this study is to predict trend in stock using both analytical methods of stock prediction and intelligent machine learning methods on the case study of the Tehran Stock Exchange index. Methods: The proposed method consists of the following steps: at first, required data are collected. Afterwards, the data are evaluated using 25 analytical methods certified by Tehran stock exchange, Inc. Then, 10 highest rank methods are selected based on feature selection technique leading to a decrease in dimensions. Results: The output of the final step is given to five intelligent machine learning methods, i.e., linear support vector machines, Gaussian kernel support vector machines, decision trees, Naïve Bayes and K nearest neighbors. Conclusion: Eventually, majority voting approach is used to make the final decision. The advantage of the proposed technique is the flexibility to use any technical analysis methods which means there is almost no limitation for this approach. Moreover, the feature selection technique is utilized for technical analysis and these methods are prioritized. | ||
| کلیدواژه‌ها [English] | ||
| Index Stock Exchange Prediction, Technical Analysis, Intelligent Machine Learning Methods | ||
| مراجع | ||
|
درودی، دیاکو و ابراهیمی، سید بابک (1395). ارائة روش هیبریدی نوین برای پیش بینی شاخص کل قیمت بورس اوراق بهادار. فصلنامه تحقیقات مالی، 18 (4)، ص 613-632. فخاری، حسین. ولیپور خطیر، محمد و موسوی، سیده مائده (1369). بررسی عملکرد شبکة عصبی بیزین و لونبرگ مارکوات در مقایسه با مدلهای کلاسیک در پیشبینی قیمت سهام شرکتهای سرمایهگذاری. فصلنامه تحقیقات مالی، 19 (2)، ص 299-318. نبی زاده، احمد؛ قره باغی، هادی و بهزادی، عادل(1396). بهینه سازی پرتفوی ردیابی شاخص بر اساس بتای نامطلوب مبتنی بر الگوریتمهای تکاملی. فصلنامه تحقیقات مالی، 19 (2)، ص 319-340.
References Alavi, S. E., Sinaei, H. & Afsharirad, E. (2015). Predict the trend of stock prices using machine learning techniques, International Academic Journal of Economics, 2 (12), 1-11.
Alpaiden, E. (2004). Introduction to machine learning. First Edition. The MIT Press Cambridge Massuchusetts, London, England. Chen, K.-Y., & Ho, C.-H. (2005). An improved support vector regression modeling for Taiwan Stock Exchange market weighted index forecasting. International Conference on Neural Networks and Brain. Beijing, China. Dorodi, D., & Abrahimi, S. B. (2017). Presenting a new hybrid method for predicting the Stock Exchange price index. Financial Research Journal, 18 (4), 612-632. (in Persian)
Edwards, R. D., Magee, J. & Bassetti, W. C. (2007). Technical analysis of stock trends: CRC Press.
Enke, D., Thawornwong, S. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert systems with Applications, 29 (4), 927-940.
Fakhari, H. Valipour Khatir, M. & Mousavi, M. (2017). Investigating Performance of Bayesian and Levenberg-Marquardt Neural Network in Comparison Classical Models in Stock Price Forecasting. Financial Research Journal, 19 (2), 229-318. (in Persian)
Ford, N., Batchelor, B., & Wilkins, B. R. (1970). A learning scheme for the Nearest Neighbor Classifier. Information Sciences, 2 (2), 139-157.
Hassan, M. R., Nath, B., & Kirley, M. (2007). A fusion model of HMM, ANN and GA for stock market forecasting. Expert systems with Applications, 33 (1), 171-180.
Hafezi, R., Shahrabi, J., & Hadavandi, E. (2015). A bat-neural network multi-agent system (BNNMAS) for stock price prediction: Case study of DAX stock price. Applied Soft Computing, 29, 196-210. Kim, E., Kim, W., & Lee, Y. (2003). Combination of multiple classifiers for the customer's purchase behavior prediction. Decision Support Systems, 34 (2), 167-175.
Kuo, R. J., Chen, C., & Hwang, Y. (2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network. Fuzzy sets and systems, 118 (1), 21-45. Liu, C., Wang, J., Xiao, D., & Liang, Q. (2016). Forecasting S&P 500 Stock Index Using Statistical Learning Models. Open Journal of Statistics, 6 (06), 1067. Mitchel, T. M. (1997). Machine Learning. First Edition, McGraw Hill Science.
Nabizade, A., Gharehbaghi, H. & Behzadi, A. (2016).Index Tracking Optimization under down Side Beta and Evolutionary Based Algorithms. Financial Research Journal, 19 (2), 319-340. (in Persian)
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert systems with Applications, 42 (1), 259-268.
Saad, E. W., Prokhorov, D. V., & Wunsch, D. C. (1998). Comparative study of stock trend prediction using time delay, recurrent and probabilistic neural networks. IEEE Transactions on neural networks, 9 (6), 1456-1470.
Schöneburg, E. (1990). Stock price prediction using neural networks: A project report. Neurocomputing, 2 (1), 17-27. Tsai, C.-F., Lin, Y.-C., Yen, D. C., & Chen, Y.-M. (2011). Predicting stock returns by classifier ensembles. Applied Soft Computing, 11 (2), 2452-2459. Vapnik, V. (2013). The nature of statistical learning theory: Springer science & business media. Xu, X., Zhou, C., & Wang, Z. (2009). Credit scoring algorithm based on link analysis ranking with support vector machine. Expert systems with Applications, 36 (2), 2625-2632. Yang, H., Chan, L., & King, I. (2002). Support vector machine regression for volatile stock market prediction. International Conference on Intelligent Data Engineering and Automated Learning. Manchester, UK. | ||
|
آمار تعداد مشاهده مقاله: 3,360 تعداد دریافت فایل اصل مقاله: 2,846 |
||